针对嵌入式神经网络模型的机密性威胁综述
密码学与安全
2021-05-05 v1 人工智能
摘要
机器学习（ML）算法尤其是深度神经网络（DNN）模型的使用，已成为许多领域（更具体地说是基于IoT的系统）中广泛接受的标准。DNN模型在医疗诊断、智能交通或安全威胁检测等若干敏感领域达到令人印象深刻的性能，并代表着有价值的知识产权。过去几年的一大趋势是在各类设备中大范围部署模型。然而，由于威胁嵌入式模型完整性、机密性和可用性的广泛攻击谱系，向嵌入式系统的迁移受到阻碍。本综述中，我们涵盖针对嵌入式DNN模型机密性的攻击全景，这些攻击可能对关键IoT系统产生重大影响，特别关注模型提取与数据泄露。我们强调侧信道分析（SCA）是一个相对未被探索的、可损害模型机密性的途径。模型的输入数据、架构或参数可从功耗或电磁观测中被提取，证明从安全角度看存在切实需求。
引用
@article{arxiv.2105.01401,
title = {A Review of Confidentiality Threats Against Embedded Neural Network Models},
author = {Raphaël Joud and Pierre-Alain Moellic and Rémi Bernhard and Jean-Baptiste Rigaud},
journal= {arXiv preprint arXiv:2105.01401},
year = {2021}
}
备注
Accepted at 7th IEEE World Forum on Internet of Things (2021)